Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Jurnal Teknik Informatika (JUTIF)
Hersyaputra, Mohamad Syazimmi
Unknown Affiliation
Computer Science & IT Education

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Smart Inventory System untuk Distribusi Vaksin dengan Metode Economic Order Quantity Hersyaputra, Mohamad Syazimmi; Ripanti, Eva Faja; Muhardi, Hafiz
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 3 (2021): Volume 7 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v7i3.50240

Abstract

Sistem inventory adalah serangkaian aktivitas dalam melakukan proses pengelolaan data barang yang terdapat pada penyimpanan yang memiliki peran dan fungsi krusial untuk menyelesaikan permasalahan dalam mengelola, mengontrol, dan memudahkan pelaporan data barang. Sistem inventory diperlukan salah satunya untuk memanajemen persediaan stok vaksin. Saat ini manajemen persediaan vaksin pada dinas kesehatan hingga ke level puskesmas masih ditemukan permasalahan, seperti belum adanya standar perhitungan kuantitas pengadaan dan safety stock yang optimal sehingga persediaan menjadi tidak merata di beberapa wilayah yang menyebabkan terjadinya kelebihan dan kekosongan stok. Hal ini membuat pengelolaan biaya persediaan vaksin tidak efisien. Oleh karenanya, diperlukan sistem inventory yang mampu meningkatkan efisiensi pengelolaan stok vaksin yang optimal dengan meminimumkan biaya. Penelitian yang dilakukan, yaitu membangun smart inventory system menerapkan metode economic order quantity untuk mengoptimalkan persediaan dan mengimplementasikan teknologi RFID (Radio Frequency Identification) berbasis Internet of Things (IoT) untuk mengefisiensi pencatatan pergerakan stok secara otomatis. Sistem dianalisis dan dirancang menggunakan metode SDLC (System Development Life Cycle) sehingga spesifikasi kebutuhan diidentifikasi secara jelas agar dapat memecah permasalahan. Model yang digunakan adalah waterfall methodology. Selanjutnya dilakukan pengujian terhadap smart inventory system. Berdasarkan pengujian yang dilakukan menunjukkan smart inventory system memenuhi kebutuhan dalam pengelolaan stok vaksin secara efektif dan efisien dengan performance error yang terjadi hanya sebesar 1,98%.
Prediksi Man-Hours Menggunakan Analisis Regression dan Cyclomatic Complexity Hersyaputra, Mohamad Syazimmi; Jaya, Muhammad Triyanda Taruna; Yuhana, Umi Laili; Alfian, Muhammad
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.89462

Abstract

Estimasi effort pengembangan perangkat lunak secara akurat merupakan kunci keberhasilan proyek untuk memastikan alokasi sumber daya yang efisien dan penyelesaian tepat waktu. Ketepatan dalam menghitung estimasi effort ini sangat krusial dalam proses pengembangan sistem perangkat lunak untuk mencapai keberhasilan dan mengurangi risiko, seperti risiko reputasi dari suatu organisasi. Metode konvensional seperti expert judgement sering kali kurang konsisten dan rawan kesalahan subjektif. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan pendekatan prediksi man-hours berbasis static code analysis, dengan fokus pada cyclomatic complexity sebagai fitur utama dalam pemodelan machine learning yang dapat diintegrasikan dalam proses rekayasa perangkat lunak untuk mendukung pengambilan keputusan yang lebih tepat dalam perencanaan proyek. Penelitian ini menggunakan data proyek perangkat lunak pada institusi perbankan. Tahapan preprocessing meliputi encode dengan teknik one hot encoding, data cleaning, dan data partitioning. Penelitian ini memanfaatkan cyclomatic complexity dari program perangkat lunak untuk memprediksi upaya dalam variabel man-hours menggunakan model Linear Regression, Lasso Regression, dan Ridge Regression. Evaluasi model dilakukan menggunakan metrik mean absolute percentage error (MAPE), mean absolute error (MAE), mean squared error (MSE), dan R-Squared guna menilai performa prediktif. Berdasarkan pengujian, model Lasso Regression menghasilkan peforma prediktif yang unggul dengan evaluasi menggunakan metrik MAPE 22.2731%, MAE 66.9679, MSE 8538.6359, dan R-Squared 0.98521. Temuan ini menunjukan bahwa pendekatan machine learning yang memanfaatkan analisis cyclomatic complexity mampu meningkatkan akurasi estimasi upaya dibandingkan metode konvensional.
Bank Customer Churn Prediction Using CTGAN-Augmented Data and Boosting-Based Ensemble Learning with SHAP Explainable AI Hersyaputra, Mohamad Syazimmi; Hidayati, Shintami Chusnul
Jurnal Teknik Informatika (Jutif) Vol. 7 No. 3 (2026): JUTIF Volume 7, Number 3, June 2026
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2026.7.3.5578

Abstract

Customer churn prediction remains a fundamental concern in the banking domain due to its direct impact on revenue stability and long-term customer value. A key challenge in churn modeling lies in severe class imbalance, which often limits model sensitivity toward minority churn cases. This study aims to develop an integrated and explainable churn prediction framework that effectively addresses class imbalance while maintaining robust predictive performance and interpretability. The proposed approach employs Conditional Tabular Generative Adversarial Networks (CTGAN), comparison of five boosting-based ensemble learning, and SHapley Additive exPlanations (SHAP) to preserve model interpretability. CTGAN is leveraged to synthesize high-fidelity instances for the churn class, yielding a class-balanced dataset that retains intricate tabular feature distributions. Five boosting-based ensemble models, XGBoost, CatBoost, Gradient Boosting Machine (GBM), Stochastic Gradient Boosting (SGB), and LightGBM, are systematically tuned using randomized hyperparameter optimization and evaluated under consistent experimental settings. Model performance is assessed using accuracy, precision, recall, and F1-score to capture classification performance under class imbalance. To ensure transparency, SHAP is applied to analyze global feature importance influencing churn predictions. Experimental results indicate CTGAN enhances model learning stability and detection capability. Among the evaluated models, CatBoost achieves the best results, with an accuracy of 0.9748 and an F1-score of 0.9178. The explainability analysis reveals that transactional features play a dominant role in churn. The novelty of this study lies in a unified and explainable churn prediction framework that integrates CTGAN-data augmentation, boosting ensembles, and interpretability for robust decision support in banking analytics.
Co-Authors Eva Faja Ripanti Hafiz Muhardi Jaya, Muhammad Triyanda Taruna Muhammad Alfian, Muhammad Shintami Chusnul Hidayati Umi Laili Yuhana